Kecerdasan buatan (AI) selama ini sangat unggul dalam memahami teks, gambar, hingga membuat model 3D. Namun, ketika AI harus memahami bagaimana sebuah benda berinteraksi dengan dunia fisik, tantangannya menjadi jauh lebih kompleks.
 |
Sebuah pendekatan baru bernama GeoPT, yang dikembangkan oleh peneliti dari MIT Computer Science and Artificial Intelligence Laboratory (CSAIL) dan Tsinghua University, mencoba mengatasi masalah tersebut.
GeoPT dirancang agar model AI memiliki pemahaman dasar mengenai fisika dan geometri, sehingga mampu memprediksi bagaimana objek 3D akan merespons berbagai kondisi seperti angin, air, tekanan, tumbukan, hingga cahaya.
Teknologi ini berpotensi membantu engineer melakukan simulasi kendaraan, robot, kapal, pesawat, dan berbagai objek fisik tanpa harus melakukan terlalu banyak eksperimen secara langsung.
Mengapa AI Sulit Memahami Fisika?
Model AI modern telah berkembang sangat pesat dalam memahami data digital.
AI dapat mengenali gambar, menghasilkan teks, membuat video, bahkan menghasilkan objek 3D.
Namun, memahami dunia fisik membutuhkan sesuatu yang berbeda.
Misalnya, ketika sebuah mobil menabrak tembok, AI tidak cukup hanya mengetahui seperti apa gambar mobil dan tembok tersebut.
AI juga harus memahami:
Kecepatan kendaraan
Arah tumbukan
Bentuk objek
Material
Tekanan
Gaya yang bekerja
Bagaimana struktur objek berubah setelah benturan
Masalahnya, data fisika semacam ini sangat mahal dan memakan waktu untuk diperoleh.
Untuk membuat simulasi yang akurat, engineer biasanya menggunakan numerical solver untuk menghitung berbagai properti fisik pada banyak titik dalam sebuah objek 3D.
Metode tersebut sangat detail, tetapi membutuhkan komputasi besar.
Akibatnya, jumlah data yang dapat digunakan untuk melatih model AI menjadi terbatas.
GeoPT Menggunakan "Synthetic Dynamics"
GeoPT mengambil pendekatan berbeda.
Daripada hanya mengandalkan data simulasi fisika yang sangat mahal, peneliti melatih model menggunakan apa yang mereka sebut sebagai synthetic dynamics.
Konsepnya cukup menarik.
GeoPT mempelajari interaksi antara partikel-partikel kecil dengan berbagai bentuk objek 3D.
Dalam eksperimen tersebut, sekitar 1,3 juta sampel synthetic dynamics digunakan.
Bayangkan sebuah bola kecil bergerak menuju sebuah objek.
Bola tersebut memiliki kecepatan dan arah tertentu. Ketika menyentuh permukaan objek, bola kemudian berhenti atau "menempel".
Dari jutaan interaksi sederhana tersebut, model mulai mempelajari pola dasar mengenai bagaimana geometri dan gerakan saling berhubungan.
Dengan kata lain, GeoPT tidak harus diberikan seluruh pengetahuan mengenai hukum fisika secara eksplisit.
Model dapat memperoleh semacam intuisi fisika melalui banyak interaksi sintetis.
GeoPT Bisa Digunakan untuk Apa?
Salah satu kelebihan GeoPT adalah cara penggunaannya yang relatif sederhana.
Pengguna cukup memasukkan model 3D sebuah objek dan menentukan kondisi gaya yang ingin disimulasikan.
Misalnya:
Objek: mobil 3D
Kecepatan: 80 km/jam
Arah: menuju tembok
Kondisi: tabrakan
GeoPT kemudian dapat memperkirakan bagaimana bagian-bagian objek tersebut merespons gaya yang diberikan.
Hasil simulasi dapat divisualisasikan seperti heat map, yang menunjukkan bagian mana dari objek yang menerima dampak paling besar.
Teknologi seperti ini dapat digunakan untuk berbagai skenario.
1. Simulasi kendaraan
Engineer dapat menggunakan AI untuk memperkirakan bagaimana desain mobil merespons benturan.
Ini berpotensi mengurangi jumlah eksperimen fisik yang diperlukan selama proses pengembangan kendaraan.
2. Simulasi pesawat
GeoPT juga dapat digunakan untuk mempelajari bagaimana bentuk pesawat atau jet merespons aliran angin.
Hal ini penting dalam pengembangan desain aerodinamis.
3. Simulasi kapal
Model dapat digunakan untuk memperkirakan bagaimana lambung kapal merespons kombinasi udara dan gelombang air.
Dengan demikian, engineer dapat mengevaluasi berbagai desain sebelum membuat prototipe fisik.
4. Robotika
Robot yang berinteraksi dengan lingkungan membutuhkan pemahaman mengenai dunia fisik.
Model fisika seperti GeoPT berpotensi membantu AI memprediksi apa yang akan terjadi ketika robot menyentuh, mendorong, mengangkat, atau bertabrakan dengan objek.
5. Simulasi cahaya
Menariknya, pendekatan ini juga dapat digunakan untuk memodelkan bagaimana cahaya berinteraksi dengan objek 3D.
Dalam pengujian, GeoPT mampu menghasilkan simulasi terhadap sebuah objek berbentuk kelinci mainan meskipun model tersebut belum pernah digunakan selama proses training.
Lebih Sedikit Data, tetapi Hasil Lebih Cepat
Salah satu hal yang paling menarik dari penelitian GeoPT adalah efisiensi.
Dalam sejumlah benchmark, GeoPT mampu mengungguli model simulasi sebelumnya dalam aspek kecepatan, akurasi, dan efisiensi data.
Pada simulasi lambung kapal yang terkena gaya udara dan gelombang, misalnya, GeoPT membutuhkan sekitar 60% lebih sedikit labeled data dibandingkan model pembanding.
Model tersebut juga mencapai tingkat akurasi puncaknya hingga empat kali lebih cepat dibandingkan baseline terbaik dalam pengujian tersebut.
Dalam benchmark lainnya, GeoPT mampu menghasilkan simulasi dengan lebih dari 100 juta mesh points dalam hitungan detik.
Angka tersebut penting karena simulasi dengan resolusi tinggi biasanya membutuhkan sumber daya komputasi yang sangat besar.
Mengapa Ini Penting untuk Engineer?
Bayangkan seorang engineer sedang mengembangkan desain mobil baru.
Cara tradisional dapat melibatkan:
Desain → Prototype → Uji fisik → Analisis → Perbaikan desain → Prototype baru → Uji kembali
Setiap iterasi membutuhkan waktu dan biaya.
Dengan model AI yang mampu melakukan simulasi fisika secara cepat, sebagian proses tersebut dapat dilakukan secara virtual:
Desain 3D → Simulasi AI → Analisis → Perbaikan desain → Simulasi kembali
Eksperimen fisik tetap diperlukan untuk validasi akhir, tetapi jumlah eksperimen yang dibutuhkan berpotensi berkurang secara signifikan.
Inilah salah satu alasan mengapa model seperti GeoPT dapat menjadi penting bagi industri otomotif, aerospace, robotika, manufaktur, dan engineering.
Menuju Physics Foundation Model
Peneliti MIT melihat GeoPT bukan sebagai produk akhir.
Mereka justru menganggapnya sebagai langkah awal menuju sesuatu yang lebih besar: physics foundation model.
Saat ini, foundation model seperti Large Language Model sangat kuat dalam memahami bahasa.
Model vision AI sangat kuat dalam memahami gambar dan video.
Namun, dunia nyata membutuhkan lebih dari sekadar teks dan visual.
AI juga harus memahami:
Bagaimana dunia fisik bekerja.
Minghao Guo, salah satu peneliti utama proyek tersebut, menggambarkan fisika sebagai semacam modalitas ketiga bagi AI, setelah teks dan pixel.
Jika pendekatan ini terus berkembang, model AI masa depan mungkin tidak hanya mengetahui bahwa sebuah benda terlihat seperti mobil.
Model tersebut juga dapat memahami:
Bagaimana mobil bergerak
Bagaimana mobil bereaksi ketika direm
Apa yang terjadi saat mobil menabrak sesuatu
Bagaimana angin memengaruhi mobil
Bagaimana material mobil mengalami deformasi
Bagaimana mobil berinteraksi dengan lingkungan
Kemampuan tersebut akan menjadi sangat penting untuk membangun world model yang lebih realistis.
Dampaknya bagi Robot dan AI Generatif
Perkembangan ini juga dapat memberikan dampak besar terhadap robotika.
Saat ini, robot membutuhkan banyak data untuk belajar berinteraksi dengan dunia.
Salah satu masalah utama adalah memperoleh data tersebut secara langsung.
Robot harus mencoba sesuatu, melakukan kesalahan, kemudian belajar dari pengalaman.
Jika AI dapat melakukan sebagian proses pembelajaran melalui simulasi fisika yang akurat, jumlah eksperimen fisik yang dibutuhkan dapat dikurangi.
Hal ini dapat mempercepat pengembangan robot yang mampu berinteraksi dengan lingkungan secara lebih natural.
Teknologi tersebut juga berpotensi membantu AI generatif yang menghasilkan video atau lingkungan 3D.
Video yang dihasilkan AI saat ini dapat terlihat realistis secara visual, tetapi belum tentu mengikuti hukum fisika dengan benar.
Misalnya, objek dapat bergerak dengan cara yang terlihat masuk akal secara visual tetapi sebenarnya tidak mungkin terjadi di dunia nyata.
Dengan pemahaman fisika yang lebih baik, AI dapat menghasilkan simulasi dan video yang tidak hanya terlihat realistis, tetapi juga berperilaku realistis.
Tantangan GeoPT Masih Panjang
Meskipun hasil penelitian GeoPT sangat menjanjikan, teknologi ini masih berada pada tahap awal.
Dunia nyata jauh lebih kompleks dibandingkan simulasi sederhana.
Masih banyak fenomena yang perlu dipahami AI, seperti:
Cuaca
Turbulensi kompleks
Perubahan material
Interaksi banyak objek
Cairan kompleks
Deformasi material
Kondisi lingkungan yang berubah-ubah
Para peneliti juga ingin memperluas jumlah objek dan fenomena fisika yang digunakan dalam training.
Jika berhasil, model seperti ini dapat menjadi dasar bagi sistem AI yang mampu melakukan simulasi dunia nyata dengan tingkat akurasi yang jauh lebih tinggi.
Kesimpulan
GeoPT menunjukkan arah menarik dalam perkembangan AI.
Selama ini, sebagian besar kemajuan AI berfokus pada kemampuan memahami teks, gambar, audio, dan video.
Namun, untuk benar-benar berinteraksi dengan dunia nyata, AI juga membutuhkan pemahaman mengenai fisika.
Dengan menggunakan jutaan contoh interaksi fisik sintetis, GeoPT mencoba memberikan model AI sebuah "intuisi" mengenai bagaimana objek bergerak dan berinteraksi.
Hasil awalnya cukup menjanjikan: model dapat mencapai performa tinggi dengan data berlabel yang lebih sedikit dan proses training yang lebih cepat.
Jika pendekatan seperti ini terus berkembang, kita mungkin akan melihat generasi AI baru yang bukan hanya mampu menghasilkan gambar dunia, tetapi juga memahami bagaimana dunia tersebut bekerja.
Dan ketika AI mulai memahami fisika, kemungkinan aplikasinya menjadi jauh lebih luas—mulai dari mobil dan pesawat, robot, kapal, manufaktur, hingga simulasi dunia virtual.
AI mungkin tidak hanya akan menjadi mesin yang memahami informasi. Di masa depan, AI bisa menjadi mesin yang memahami dunia fisik itu sendiri.
Baca Juga:
Ketika AI Menjadi Teman Curhat: Menyoal Empati dan Koneksi Manusia di Era Society 5.0
Masa Depan AI di Perusahaan: Produktivitas Tumbuh, Tenaga Kerja Berubah Perlahan
The AI Productivity Paradox: Mengapa AI Membuat Kita Lebih Cepat, tetapi Belum Tentu Lebih Baik
0 Comments